Analitica predittiva e prescrittiva: quali sono le differenze?
Garuda Pancasila descrittiva, analitica diagnostica, analitica predittiva e analitica prescrittiva sono i quattro tipi di analisi dei dati che le aziende utilizzano oggi. Ciascuna di queste categorie svolge un ruolo importante nel processo decisionale. Mentre l'analisi diagnostica cerca le ragioni di un evento, l'analisi descrittiva si limita a raccontare i fatti accaduti. Ma le analitiche predittive e prescrittive, in cosa differiscono?
Il campo dell'analisi predittiva esamina ciò che accadrà e fa previsioni su ciò che potrebbe accadere nel prossimo futuro. L'analitica prescrittiva è quella che viene dopo, e che fornisce raccomandazioni sulle azioni specifiche da intraprendere per ottenere i migliori risultati possibili. Questo articolo amplia la nostra guida "Che cos'è l'analisi prescrittiva?", contrapponendo gli approcci analitici predittivi a quelli prescrittivi.
Mappatura del passato e diagnosi delle cause
L'analisi descrittiva trasforma i registri delle transazioni, le metriche operative e i record di traffico web in visualizzazioni e statistiche di sintesi, stabilendo esattamente cosa si è verificato [1]. In genere i team eseguono query SQL o utilizzano piattaforme di business intelligence per calcolare totali, medie e tassi di crescita. L'analisi diagnostica applica poi test di ipotesi, analisi di correlazione e tecniche di root-cause per spiegare gli scostamenti dalle tendenze previste.
Ad esempio, se si verifica un calo inaspettato degli utenti attivi, può essere dovuto a un nuovo aggiornamento del software o a un evento di mercato esterno. A quel punto, si possono prendere le giuste misure per risolvere il problema [2].
Tecniche di previsione predittiva
Le aziende utilizzano diversi tipi di strumenti di analisi dei dati per passare dall'intuizione alla previsione. Quando si tratta di dati di serie temporali, si può ricorrere all'ARIMA (Autoregressive Integrated Moving Average) per simulare la tendenza e la stagionalità [3]. Inoltre, i ricercatori possono impiegare reti LSTM (Long Short-Term Memory) per catturare intricate connessioni temporali [4].
Inoltre, si utilizzano tecniche di regressione o classificazione per effettuare proiezioni analitiche predittive su misure continue. Ne sono un esempio l'assegnazione di esiti di categoria, come il rischio di churn, o la proiezione del reddito [5]. Un efficace feature engineering, che incorpora variabili come gli indicatori economici, i modelli meteorologici o il sentiment dei social media, spesso porta alla luce correlazioni nascoste che affinano le previsioni.
In pratica, i responsabili delle scorte utilizzano modelli ARIMA per stabilire i livelli appropriati di scorte di sicurezza. Secondo una ricerca McKinsey [6], questo approccio può ridurre gli incidenti di stock-out fino al 20%. Nel frattempo, i team di marketing possono programmare campagne con l'aiuto delle intuizioni LSTM. Queste campagne possono migliorare i tassi di coinvolgimento del 15%.
I dipartimenti finanziari si affidano a modelli di regressione per effettuare stress test sui bilanci in base a diversi scenari economici, contribuendo così a una stesura più accurata del budget.
Caso di studio sulla finanza: La piattaforma di prestito AI di Upstart
Upstart Holdings, Inc. collabora con le banche per implementare modelli di credito ad apprendimento automatico basati su migliaia di dati.
I tassi di perdita dei prestiti sono stati notevolmente ridotti grazie all'approccio di sottoscrizione basato sull'analisi predittiva dell'intelligenza artificiale. Pur mantenendo invariati i tassi di approvazione, ha ridotto le perdite sui prestiti di circa il 75% rispetto agli approcci tradizionali che utilizzano solo FICO [7]. Upstart riferisce inoltre che il 74% delle richieste di prestito riceve una decisione immediata. Di conseguenza, il ciclo di creazione dei prestiti si riduce di diversi giorni e il livello di soddisfazione dei clienti aumenta.
Strategie d'azione prescrittive
Basandosi sull'accuratezza delle previsioni, l'analisi prescrittiva integra l'ottimizzazione e la simulazione per raccomandare decisioni specifiche in base ai vincoli del mondo reale. Le tecniche comprendono la programmazione lineare e non lineare. Questi metodi definiscono obiettivi, come la minimizzazione dei tempi di consegna, e impongono vincoli come la capacità dei veicoli o i limiti normativi.
Per misurare l'incertezza e il rischio, la simulazione Monte Carlo analizza migliaia di scenari possibili. L'integrazione continua dei flussi di dati in streaming, delle reti di sensori o del sentiment dei social media garantisce l'adattamento delle raccomandazioni in tempo reale.
Nel settore manifatturiero, i solutori di ottimizzazione allocano i volumi di produzione tra gli impianti per soddisfare la domanda. Allo stesso tempo, rispettano i vincoli di manodopera e materiali. Gli amministratori del settore sanitario simulano i flussi di pazienti e i livelli di personale per ridurre i tempi dei processi. Nel frattempo, gli operatori logistici reindirizzano dinamicamente le flotte per migliorare i tassi di consegna puntuale.
Studio di un caso sanitario: Centro medico del Massachusetts
Un centro medico privato senza scopo di lucro del Massachusetts, che ha due campus, ha applicato una simulazione Monte Carlo basata sulle code [2]. L'obiettivo è stato quello di valutare gli effetti dell'aggiunta di un'unità specializzata "fast-track" per pazienti con esigenze minime di cure acute. Il gruppo ha simulato i tempi di servizio e gli arrivi dei pazienti. I ricercatori hanno dimostrato che l'aggiunta di un infermiere supplementare al fast track ha ridotto i tempi di attesa mediani del 35,8 ± 2,2%.
Inoltre, grazie a questo cambiamento, l'uso delle risorse del dipartimento di emergenza principale è stato ottimizzato senza un aumento delle ore di personale. I livelli di soddisfazione dei pazienti sono aumentati del 10% dopo l'adozione del sistema.
Caso di studio sulla logistica: Il team SCOT di Amazon
Il gruppo Supply Chain Optimisation Technologies (SCOT) di Amazon combina ottimizzazione, simulazione e analisi predittiva e prescrittiva per gestire l'adempimento in tutta la sua rete. Grazie agli algoritmi guidati da SCOT, in alcune località urbane è possibile ottenere tempi di consegna di appena due ore. Si tratta di una notevole riduzione rispetto alla tipica finestra di sei-otto ore.
Inoltre, questi algoritmi contribuiscono a ridurre le scorte in eccesso di circa il 10% grazie agli aggiustamenti dinamici del livello delle scorte. Questi miglioramenti sono alla base della promessa di consegna rapida di Amazon Prime e favoriscono una maggiore fidelizzazione dei clienti.
Distinzione tra previsioni e raccomandazioni
Analisi predittiva e prescrittiva
La previsione è il processo di identificazione di ciò che probabilmente si verificherà in futuro. A tal fine, esamina i dati storici e attuali utilizzando l'analitica predittiva. L'analitica prescrittiva, invece, affronta la questione delle azioni da intraprendere. Le possibili azioni vengono valutate rispetto agli obiettivi aziendali e ai limiti pratici.
Nella maggior parte dei casi, i modelli analitici predittivi dipendono da set di dati strutturati. Al contrario, le analitiche prescrittive sono in grado di includere anche dati non strutturati, come i log di testo o i flussi provenienti dall'Internet delle cose (IoT). Per questo motivo sono in grado di riflettere meglio la complessità del mondo reale.
L'implementazione dell'analisi prescrittiva richiede la creazione di una solida infrastruttura. Questa infrastruttura dovrebbe includere risolutori di ottimizzazione e processi di governance incentrati sulla conformità agli standard aziendali. I risultati prescrittivi possono indurre modifiche alle operazioni in tempo quasi reale. Nel frattempo, le previsioni aiutano a definire la strategia a medio e lungo termine.
Tabella di marcia per l'implementazione: Una lista di controllo pratica
Se volete passare dall'intuizione all'azione, seguite questi passaggi:
- Verifica e preparazione dei dati. Convalidare le fonti di dati e pulire i record per garantire analisi descrittive e report diagnostici affidabili.
- Sviluppare e convalidare modelli di previsione. Si consiglia di utilizzare approcci di previsione come regressione, ARIMA e LSTM. Questi metodi devono essere testati con dati di attesa e le caratteristiche devono essere perfezionate in modo iterativo.
- Pilotare soluzioni prescrittive. Iniziate con progetti di ottimizzazione su piccola scala, come l'allocazione delle scorte o la programmazione del personale, per gestire il rischio.
- Infrastruttura di scala. Investite in data warehouse, piattaforme di streaming e librerie di solutori per supportare l'implementazione a livello aziendale.
- Stabilire la governance. Assicuratevi che le analisi siano in linea con gli standard etici e normativi, documentando i metodi e implementando la supervisione.
Seguendo questa tabella di marcia, la vostra azienda potrà passare da un reporting reattivo a uno proattivo. Questo passaggio porterà a un processo decisionale ottimizzato che porterà a miglioramenti misurabili.
Conclusione
Le aziende possono imparare dai loro successi e dai loro fallimenti e utilizzare queste conoscenze per influenzare ciò che accadrà in seguito. I consigli prescrittivi, le previsioni predittive, gli approfondimenti diagnostici e le analisi descrittive lavorano insieme per raggiungere questo obiettivo.
EU Automation svolge un ruolo fondamentale nel garantire che la vostra catena di fornitura operi al massimo delle sue potenzialità. Il nostro obiettivo è sostenere il vostro percorso verso un processo decisionale più intelligente per migliorare l'efficienza operativa e ridurre i tempi di inattività .
Per ulteriori approfondimenti e soluzioni, visitate knowledge hub di EU Automation.
Fonti:
[1] https://technologyadvice.com/blog/information-technology/descriptive-analytics/
[2] https://doi.org/10.1155/2017/6536523
[3] https://www.statsmodels.org/stable/generated/statsmodels.tsa.arima.model.ARIMA.html
[4] https://keras.io/api/layers/recurrent_layers/lstm/
[5] https://www.geeksforgeeks.org/ml-classification-vs-regression/
[7] https://cloud.google.com/dataproc/docs/tutorials/monte-carlo-methods-with-hadoop-spark
[8] https://www.gartner.com/en/information-technology/glossary/prescriptive-analytics
